基于无人机光伏巡检的路线优化与故障检测

王云冰,付晓刚,牛 源

(上海电机学院 电气学院,上海 201306)

目前,各种可再生能源已逐渐占领能源市场。太阳能作为最有效的可再生能源,具有强大的环境价值和生产力价值[1]。各种光伏组件作为获取太阳能的重要工具占据了太阳能发电的主导地位[2]。光伏电站的扩增也证明了太阳能发电的可行性和重要性[3]。随着光伏电站规模的扩大和运行年限的增加,光伏电站的运维压力越来越大[4]。现在光伏电站的运维主要依靠检测光伏逆变器的电压和电流等电气特性,电气运维只能精确到组串,故障诊断精度不高[5-6]。无人机巡检能够快速覆盖大面积区域,发现光伏电板的异常情况,并能通过人工智能的辅助识别技术,可以在故障早期检测出异常情况。

本文提出了一种改进的基于网格结合A*算法的路径规划算法与改进小目标层与引入注意力机制的YOLOv5算法[7-8],前者在保证全覆盖的前提下尽量减少无效遍历,后者增加了小目标层与图像切割方法的融合[9],在保证大目标检测精度的同时,提高小目标检测的效果。这在根本上解决成本控制、系统冗余和人工成本较高的缺点[10]。

1 系统设计与实验准备

传统全覆盖路径规划算法仅计算避开障碍物后的全覆盖轨迹,改进后的全覆盖路径规划算法在保留避开障碍物的能力的前提下,优先搜索光伏电板覆盖面积,这节省了飞行时间和飞行距离。

传统图像识别算法在红外特征的检测上对大目标的检测效果较好,但对小目标的检测容易出现误检漏检,使得无人机无法在较高的高度上进行巡检飞行。本文改进后的图像识别算法对小目标的检测更为敏感,能够大幅提高无人机飞行相对高度阈值,在路径规划的全覆盖搜索中具有较大优势。

本文所有实验数据均从上海电机学院工业中心屋顶的光伏组件收集,使用携带640×480像素红外热像仪的大疆MAVIC2无人机在高空进行捕获。共拍摄了235张红外热成像照片。通过翻转、裁剪、混合和合并以及灰度处理,将原来的235张热图像数据集扩展到1125张。将获得的数据集按4∶1分为训练集和测试集。

2 无人机巡检路径规划

2.1 基于网格的A*算法改进

本文采用基于网格的全覆盖路径算法,并将A*算法用于无人机陷入死区后的脱困路线。A*算法是一种基于启发式代价函数进而改变自己行为能力的算法。本文对A*算法进行改进,使得无人机最大限度地少遍历无效地带。

2.2 飞行策略与实际场景

飞行地点为上海电机学院,占地约90km2的光伏电板铺设区域,无人机飞行速度为10m/s,相对高度为20m,红外拍摄图像半径为15m。图1到图4中每一小格的长度为30m。飞行全覆盖整个光伏电板铺设区域如图1所示。

图1 学校光伏电板分布

学校飞行区域规划如图2所示,其中黑色区域为施工地带禁飞区域,灰色区域为过道,过道中没有光伏电板但是无人机可以随意飞行。

图2 学校飞行区域规划

改进前的A*算法:除禁飞区域外实现全覆盖搜索,传统基于网格的全覆盖路径规划算法在避开禁飞区域的前提下进行全覆盖搜索得到图像如图3所示。该搜索轨迹基于图2中相对于灰色地带的多余路程遍历地过多了,导致浪费了时间与路程。

图3 路径规划寻优路线

改进后A*算法:除禁飞区域外,尽量少遍历灰色地带的前提下实现全覆盖搜索。改进后的全覆盖路径规划算法在避开禁飞区域,较少地遍历无效地带(灰色地带)的前提下,进行全覆盖搜索得到路径规划寻优路线如图4所示。该搜索轨迹基于图2中相对于灰色地带的多余路程进行最低限度的遍历,缩短了巡检距离。

图4 路径规划寻优路线

3 无人机红外图像故障检测

以原YOLOv5模型为基础,采用4种改进方法进行消融实验,以验证各改进方法的必要性。它们分别是在原YOLOv5模型中加入注意力机制,在加入注意力机制后YOLOv5模型下去除SPPF网络结构,在网络结构修改后的YOLOv5算法中加入检测头,以及在整体改进的YOLOv5模型中加入图像切割融合。其中,加入注意力机制和去除SPPF网络结构在实验中合并为一步改进,因为它们并没有提高检测精度,只是去除冗余项来提高检测速度。

3.1 训练原始YOLOv5模型

采用YOLOv5算法通过训练既定数据集得到模型,光伏组件检测结果不理想,对大目标的检测精度仅达到60%以下,小目标的故障位置基本检测不到,无法满足现有光伏电站检测要求[11]。明显的小目标位置没有得到反馈,而大目标的检测率只有58%,光伏电站的检测精度要求是不可接受的。

3.2 引入注意力机制

在轻量级网络上,注意力机制会使模型有明显的性能提升。协调注意力机制避免了传统注意力机制对位置信息的忽略,使注意力机制能够保留准确的位置信息,这对于光伏组件的红外检测非常重要,所以本文引入了协调注意力机制来提升模型性能[12]。

在YOLOv5默认的自适应锚定框架和初始anchor值下,光伏电板故障所呈现的长宽比容易失衡,因此在改进合适的初始锚定下进行第一次优化,引入协调注意力机制[13]。

通过修改初始锚值和引入协调注意力机制,大目标检测的精度明显提高[14]。在使用新锚框的情况下,加入协调注意力机制后,删除了SPPF结构,因为SPPF结构是为了在羽化图层面实现局部特征和全局特征的融合,对于光电元件的低分辨率和热成像照片中颜色的小种类,SPPF结构无法发挥作用,删除冗余的结构,使结构干扰项减少。最终大目标的检测精度得到了保证,达到了96%,但小目标的检测效果仍不乐观。

3.3 增加小目标检测层

在头部部分,增加了操作层,继续对特征图进行上采样和其他处理,使特征图继续扩大。增加的小目标检测层被分成4层进行检测。

在原YOLO 模型中加入检测层,并提高其特征值提取分辨率后,对模型进行检测的再训练,发现原图中大目标的检测概率有所下降,从原来的96%下降到88%,但对小目标的检测从没有得到反馈到40%和85%,得到了明显的改善。

3.4 引入图像切割与融合

引入图像切割的主要思路是将目标图像分解成若干个,并送入网络进行检测[15],完成后恢复所有图像,计算出坐标相对位置,进行集体非极大值抑制(Non-Maximum Suppression,NMS)。NMS的总体步骤分为:

步骤1将所有的矩形框按照不同的类别标签进行分组,并在组内按照高低的置信度分数进行排序。

步骤2取出步骤1中得分最高的矩形框,遍历剩余的矩形框,计算与当前得分最高的矩形框的交集和比率,并删除剩余矩形框中大于设定的交并比(Intersection over Union,IOU)阈值的框。

步骤3对第二步结果中的剩余矩形框重复步骤2操作,直到所有矩形框处理完毕。可以发现,结合图像切割后,大目标的检测精度有小幅回调,由原来的88%提高到95%,小目标检测精度低的点也有明显提高,由原来的40%提高到84%,原来85%的预测点位提高到91%。

4 实验结果与分析

为了验证改进后的YOLOv5算法的各改进方案对YOLOv5算法模型的增强效果,对比如下方案。方案A 为原YOLOv5算法模型;方案B为在原YOLOv5模型上加入注意力机制;方案C为在加入注意力机制后的YOLOv5模型下去除SPPF网络结构;方案D为增加小目标检测层;方案E为在整体改进的YOLOv5模型上加入图像切割融合。结果如表1所示,4种改进方案在不同规模的情况下逐渐提高了算法模型的性能,尤其是方案A 到B和D到E的改进效果最为明显。

表1 各种方案优化后的精确度和map值

图5为5种方案的曲线综合图像。由图可知,收敛速度和收敛效果都在逐步提高,验证了在本实验中,模型的训练效果随着故障定位检测精度的提高而提高。

图5 原始模型与4条修正曲线的map值整合

训练模型结果如图6、图7所示,其中图6为原始模型训练结果,图7为改进优化后的模型训练结果。图6(a)为训练函数的损失函数均值与训练次数的关系图像,损失函数均值越小代表图像检测中锚框越准确;图6(b)为训练函数的目标检测损失均值与训练次数的关系图像,目标检测损失均值越小代表目标检测越准确;图6(c)为训练函数的分类损失均值与训练次数的关系图像,分类损失均值越小代表分类越准确;图6(d)为精确度与训练次数的关系图像,精确度即分类器认为是正类并且确实是正类的部分,数值越大代表判断越准确;图6(e)为召回率与训练次数的关系图像,召回率即分类器认为是正类并且确实是正类的部分,数值越大表示判断越准确;图6(f)、(g)、(h)分别对应图6(a)、(b)、(c),分别是验证集的损失函数均值、验证集的目标检测loss均值、验证集的分类loss均值。图6(i)、(j)为阈值不同的平均精确度,图6(i)阈值为0～0.5,图6(j)阈值为0.5～0.95,平均精确度数值越大代表检测效果越好。

图6 原始YOLO模型的训练结果分析

图7 最终改进方案后的训练结果分析

从图6、图7中可见改进后的模型收敛性能远好于改进前,且波动更加平稳,收敛过程更加快速,更加适合光伏数据集的使用。

5 结语

本文对路径规划算法进行了改进,使算法在遍历所有光伏电板的同时尽量少途径多余路线。最终实验得到在相对高度为20m 的情况下,无人机拍得的红外图像信息中的小故障点位检测能力在极限值附近。根据学校规模大小和无人机搜索半径,确定单格边长为30m 的10×10的区域,共占90km2的光伏电板区域。

利用基于网格的改进A*无人机全覆盖路径规划算法进行布局,对禁飞区进行避障,无效区域进行尽可能少的遍历,最终完成90km2的全覆盖搜索。改进前最优距离路径总计2550m,对无需遍历无效路径路径优化后得到最优距离路径总计2220m,减少无效路径330m。

对光伏电板组件数据集的网络结构进行了4次优化,分别是对锚点进行了修改,使锚点概率更适合该数据集,可以看出,通用网络结构对该数据集的验证概率只有58%,而修改锚点后的锚点概率达到96%,但此时的小目标并没有被检测出来。

第二步通过引入注意力机制提升小目标检测精度,可以发现两个小目标点的检测精度从0提高到40%和85%,大目标的检测精度从96%降低到88%。

第三步,通过修改小目标检测层以及增加检测头,使得小目标的精度从40%和85%提高到84%和91%。

最后,在检测过程中运用图像切割和融合使算法进一步提高了小目标的检测精度,此时可以发现,大目标的检测精度从88%上升到95%,而两个小目标点的检测精度则分别提高到84%和91%。能够满足光伏电站故障检测需求的同时将相对高度稳定在20m。